MSBS7102 Lecture 6 · ggplot2 数据可视化

本讲无课件，笔记基于课堂录音（Recordings/MSBS7102-1009-summary.md 与 Recordings/MSBS7102-1009-transcript.md）整理。课堂沿用上一讲的同一套幻灯片，ggplot2 部分约自第 27 页起，并在 RStudio 中以示例数据集现场演示。

一、本讲信息

课程：MSBS7102 Foundations in Biomedical Data Science（HKU MMedSc）

讲次：Lecture 6

日期：2026-10-09

主题：ggplot2 数据可视化（data visualization）——绘图语法、图形类型选择、坐标轴与图例美化、图形导出

材料：本讲 Materials 文件夹为空，无课件文件；内容全部来自课堂录音

二、学习目标

理解 ggplot2 的「图层语法（grammar of graphics）」：坐标系层、geom 数据层、scale 标度层三层结构，以及用加号 + 逐层叠加的方式。

能根据数据类型（离散 / 连续）与分析目的（看分布、看关联、看时间趋势）选择合适的图形类型：条形图、直方图、箱线图、散点图、折线图。

能读懂并书写 ggplot()、geom_*()、scale_*_*() 三类函数，完成绘图并美化坐标轴标题、刻度与图例标签。

掌握图形导出的规范方法（ggsave() 函数或右键另存为），理解为何不能用屏幕截图。

区分 R 中的警告（warning）与错误（error）信息，并知道用 ?函数名 查官方文档排错。

三、核心内容

3.1 ggplot2 与 tidyverse 的关系

ggplot2 是 R 语言中专注于数据可视化的包（package），是 tidyverse 生态的一部分。加载方式有两种：library(tidyverse)（整 family 一起加载）或 library(ggplot2)（单独加载）。老师推荐前者：做可视化时几乎必然同时需要 dplyr 等包做数据处理，一次加载更方便。

加载与运行时注意区分两类信息：

warning（警告）：只要不是红色的 error，程序仍在正常工作，通常无需担心；

error（错误）：说明代码有错，需要检查（可在 Packages 面板确认 tidyverse 是否已勾选加载）。

ggplot2 与 dplyr 的根本区别在连接符：

包	连接符	原因
dplyr	管道操作符 `	>`（竖线 + 大于号）
ggplot2	加号 `+`	各图层是在图上叠加元素，不需要传递数据框

老师强调：不要求死记所有函数细节。编程语言会持续演进、新特性层出不穷，只要能读懂代码、理解其行为、知道如何查文档求助即可。

3.2 示例数据集：gapminder

课堂演示使用 gapminder 数据集，由 GapMinder 基金会收集的全球健康调查数据，共 6 个变量：

变量	含义
`country`	国家
`continent`	所属大洲
`year`	收集年份（每 5 年一次）
`pop`	当时该国人口规模
`gdpPercap`	人均 GDP（美元计）
`lifeExp`	预期寿命（life expectancy）

3.3 选图思路：数据类型 × 分析目的

第一问：数据是什么类型？

离散型（discrete）：二分类或有限个类别的分类数据；

连续型（continuous）：可在区间内连续取值的数值数据。

第二问：分析目的是什么？（课堂归纳的四种基本图形）

离散数据看分布 → 条形图（bar plot），各类别各占多少；

单个连续变量看分布 → 直方图（histogram）或箱线图（box plot），后者还能直接读出中位数与离群值（outlier）——课堂演示人均 GDP 箱线图时可见大部分数据集中、拖有大量离群值；

两个连续变量看关联 → 散点图（scatter plot），可为进一步回归分析做铺垫；

X 轴是时间 → 折线图（line chart）而非散点图。这是折线图与散点图唯一的区别：时间是连续的，应把点连成线以体现连续性。

3.4 ggplot2 三层语法（实际五层，课程简化为三层）

第一层：坐标系。 用 ggplot() 定义数据与 x/y 映射，作为后续一切图层的基础底图：

mapping = aes() 是美学映射（aesthetic mapping）函数，把数据列映射到图形属性（x、y、color 等）；

位置参数简写 ggplot(gm, aes(x = gdpPercap)) 与上面完全等价（此时仅定义了 x 轴，图形其余部分为空白）。

第二层：数据几何层。 所有函数以 geom_（geometry，几何）为前缀，常用如：

函数	绘制的图形
`geom_point()`	散点图
`geom_histogram()`	直方图
`geom_boxplot()`	箱线图
`geom_bar()`	条形图
`geom_line()`	折线图
`geom_smooth()`	在散点上叠加平滑曲线

在 geom_*() 的 aes() 里可补充指定 y、color、fill、shape 等。两个易混关键字：

color：只给边框 / 轮廓上色；

fill：填充图形内部的颜色。

课堂现场踩过的坑：直方图按大洲用 color = continent 着色，结果只有边框有色、矩形内部仍是空的；把 color 改成 fill 才真正填充。遇到此类「结果与预期不符」的情况，应查 ?函数名 帮助文档确认参数含义。

两条补充规则与建议：

覆盖规则：第一层 ggplot() 里指定的映射，可在第二层 geom_*() 里重新指定并覆盖，后写的优先（如把 x 从人均 GDP 改成预期寿命）。这属于实践细节，不影响主干理解；

换行建议：幻灯片因版面把代码压成一行，实际书写时建议在每个 + 后换行，否则图层越加越长，难以阅读和调试。

第三层：标度层（scale，负责坐标轴与图例）。 函数名固定三段式：scale_ + 美学项 + 数据类型，例如：

scale_x_continuous()：操作 x 轴，x 是连续变量；

scale_y_discrete()：操作 y 轴，y 是离散变量；

scale_color_discrete()：操作颜色图例，颜色映射到离散类别。

三个最常用参数：

name：轴标题 / 图例标题（如把原始变量名 gdpPercap 改成对读者有信息量的 "GDP per capita"）；

breaks：刻度出现的取值位置，必须用 c() 向量给出（注意带 s：breaks 而非 break，后者是另一个关键字，写错会出问题）。课堂演示把 y 轴刻度从默认的 40/60/80 改为 c(25, 50, 75)；

labels：刻度 / 图例上显示的文字，顺序必须与 breaks（或类别顺序）一一对应，打乱会错位。

关于颜色还有一个设计常识：颜色映射到离散变量时，每个类别一种颜色并配图例；映射到连续变量时会变成光谱式渐变。由于人眼很难把具体数值精确对应到颜色深浅，实践中颜色几乎总是用来区分类别，而非表达连续数值。

整合课堂最终演示（在散点图上完成三处美化）：

（图例缩写按 Africa、Americas、Asia、Europe、Oceania 的原顺序一一对应。）

其他课堂演示片段：

3.5 图形保存与导出

推荐方式：ggsave()

支持的常见格式：png、jpeg、pdf 等（以扩展名自动识别）；

需要指定保存的是哪个图形对象（本例为 p）。

为什么不能用屏幕截图：截图分辨率低、未按矢量比例保存；而 ggsave 导出的文件是规范的可复现产物（reproducible），可直接用于报告与作业提交。

备选方式：RStudio Plots 面板的 Export 菜单（本质是同一功能的图形界面版）；课堂提及但不作为首选。

四、关键图解

本讲无课件，无原始插图；以下用文字图说明 ggplot2 的三层结构：

五、课前思考/自测

依据录音内容自拟：

同样是「按大洲着色」，color = continent 与 fill = continent 在直方图上分别会得到什么效果？为什么会不同？

折线图与散点图的唯一区别是什么？什么情况下应该选折线图？

写出把 y 轴刻度改为 25/50/75、并把图例标题改为「Continent」的完整代码。

只执行 p <- ggplot(gm, aes(x = gdpPercap)) 而不单独执行 p，为什么看不到任何图形？

为什么图形导出应该用 ggsave() 而不是屏幕截图？（从分辨率与可复现性两方面回答）

六、参考材料

课堂录音总结：Recordings/MSBS7102-1009-summary.md

课堂录音转写：Recordings/MSBS7102-1009-transcript.md

延伸阅读（ggplot2 官方文档）：https://ggplot2.tidyverse.org/reference/index.html

七、课堂要点补充（来源：课堂录音）

ggplot2 与 dplyr 的连接符区别是本讲反复强调的要点：dplyr 用管道 |> 传递数据框，ggplot2 用加号 + 叠加图层。

color 与 fill 的坑：课堂现场演示了直方图按 color = continent 只上边框色的现象，提醒遇到结果与预期不符时查 ?函数名 帮助文档。

覆盖规则与换行建议：geom_*() 中的映射可覆盖 ggplot() 的初始映射；实际写代码建议在每个 + 后换行。

刻度参数易错点：breaks 必须用 c() 向量给出且注意带 s；labels 顺序必须与 breaks 或类别顺序一一对应。

颜色设计常识：颜色几乎总是用于区分离散类别而非表达连续数值，因为人眼难以精确对应颜色深浅与数值。

警告与错误：只要不是红色 error，通常无需担心；error 时先检查包是否已加载（Packages 面板勾选状态）。

课程节奏：本讲无课件，全程 RStudio 现场演示；老师强调读懂代码、理解行为、知道如何查文档比死记函数更重要。